本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

Jun, 2018

本研究采用机器学习方法，结合各种测量指标，包括检验实验室检测结果等信息，使用 Long Short-Term Memory 和两种卷积神经网络，基于 298K 患者 8 年行政索赔数据中的 18 种常见实验室检测结果，对 133 种疾病风险进行预测，并通过数据实验结果对比分析表明，疾病预测方面基于深度学习的方法有很好的应用前景。

Aug, 2016

本文介绍了一种名为 “可解释的 Mimic 学习” 的新型知识蒸馏方法，用于学习解释性的表型特征，以进行强大的预测，同时模仿深度学习模型，以解决临床决策中关键的模型可解释性问题。在临床时间序列数据集上进行的详尽实验表明，我们的方法获得了与深度学习模型相似或更好的性能，且为临床决策提供了可解释的表型特征。

Dec, 2015

本文提出使用 Deep Convolutional-Generative Adversarial Networks 的无监督学习方法来生成肺部结节样本，通过视觉图灵测试验证生成样本的质量，以此来学习最具有鉴别能力的影像特征，从而应用于医学诊断和训练深度网络。

Oct, 2017

本文提出了一个框架，探索将生成对抗网络应用于连续实验室时间序列数据的价值，提出一种无监督的评估方法来测量合成实验室测试时间序列的预测能力，并证明在训练 GAN 模型之前，将训练集的表示学习纳入考虑是有益的，尤其是在预测药物作用于实验室测试数据方面。

Dec, 2017

使用多模态机器学习方法，结合罕见遗传病的面部特征和人工智能算法，可以缩小罕见疾病的基因诊断范围并帮助基因组 / 外显子测序数据重解释。

Dec, 2023

本文研究了深度学习技术在自然语言处理中是否可以有效用于患者表型特征提取和预测，并与传统 NLP 方法进行比较。结果表明，卷积神经网络是一种性能优良且易解释的深度学习方法，可以有效提高患者表型预测的性能，降低注释复杂度，并自动学习与每个患者表型相关的短语。

Mar, 2017

本文提出了一个框架，将 AI 算法和数学建模相结合，以提供全面的生理条件视图，并展示了整体有机体概率模拟和分子数据驱动的临床模型集成的潜力，这有助于解决将多尺度计算模型与 AI 相结合的重要技术挑战，从而实现了医疗保健的数字孪生兄弟的目标。

Sep, 2020

提出了一种多模态预训练框架，通过整合基因组学和医学图像数据，在肿瘤分割任务中优于相关方法。

Jun, 2024

本文对识别分类文本的判别式和生成式 LSTM 模型的性能进行了实证研究，证明生成式模型对单词之间的条件依赖意识更强，但其渐进错误率高于判别式训练的 RNN 模型。我们发现生成式模型的方法可以更快地接近其渐进错误率，而且能更好地适应数据分布的变化，这一假设在零样本和连续学习设置的实验中得到了证实，并表明生成式模型优于判别式模型。

Mar, 2017